#大模型评测
共 54 篇相关文章
DeepSeek V4.1 Flash登顶AA新基准，超越Astra引热议
DeepSeek V4.1 Flash在Artificial Analysis新推出的Intelligence Index v4.3私有基准上超越Astra登顶，同时引发社区对评测体系三天两改的争议讨论。
上下文退化基准测试：主流大模型的长文本短板
开源项目 context-degradation-benchmark 对比 Claude Opus、GPT-Codex 与 GPT-4o 的长上下文退化表现，本文解读上下文退化现象及其对 RAG、代码助手等应用的实践影响。
ReLE中文大模型评测：374个模型的能力排行榜与缺陷库
ReLE中文大模型评测项目已收录374个大模型，覆盖ChatGPT、Gemini、Claude、文心、通义千问、DeepSeek等商用与开源模型，并提供200万级缺陷库，是中文AI模型选型与研究的重要参考。
科技前沿GLM-5.2登顶全球开源模型榜首：前端编码能力领跑业界
智谱AI发布GLM-5.2模型，在Artificial Analysis Intelligence Index评测中登顶全球开放权重模型榜首，同时被评为顶级前端编码模型。深入解析GLM-5.2的突破性表现与开源模型竞争格局变化。
产品体验实测15款大模型开发B站首页：GPT登顶，国产模型差距明显
用同一套提示词让15款主流大模型一次性开发B站视频平台应用，实测ChatGPT、Claude、Gemini及国产模型的真实编程能力。详细对比前后端表现、指令遵循度与架构设计，附分层使用策略推荐。
前沿研究AI玩游戏实力大比拼：O3 Pro展现惊人规划能力
研究者用俄罗斯方块、超级马里奥、推箱子等经典游戏测试各大AI模型，O3 Pro展现出前所未有的规划能力，成为唯一通关全部关卡的模型。游戏测试揭示AI正从模式匹配向真正的战略思维演进。
科技前沿Gemini 3.1 Pro深度横评：ARC-AGI-2得分77.1%，真的最强吗？
Google Gemini 3.1 Pro发布，ARC-AGI-2抽象推理得分77.1%断档领先，GPQA Diamond 94.3%、编程ELO 2887多项登顶。本文从推理、编程、搜索等维度横向对比o4和GPT-5.2，揭示其真实实力与短板。
产品体验Gemini 3.5 Flash实测对比Qwen3.6：排行榜高分与真实体验差多远？
深度实测Gemini 3.5 Flash在UI生成、编程、Agent能力等维度的真实表现，与Qwen3.6-27B横向对比，揭示大模型排行榜分数与实际体验之间的落差，帮你理性选择AI模型。
产品体验GPT-4 Thinking深度评测：编程、Agent与写作能力实测对比
深度评测GPT-4 Thinking模型在编程修Bug、AI Agent行业研究、学术论文写作等场景的实际表现，对比Gemini和Claude，解析其深度推理与结构化输出能力的核心优势。
科技前沿GPT-5.4深度评测：原生计算机使用、推理编程合体，OpenAI重回王座
GPT-5.4全面评测：OSWorld超越Claude Opus 4.6，原生计算机使用能力炸裂，推理编程合体Token效率提升50%，幻觉率暴降33%，搜索能力刷新纪录。OpenAI首个全能通用模型深度解析。
科技前沿Claude Opus 4.5工程测试碾压人类：AI编程能力全面超越顶尖工程师
Anthropic最新发布的Claude Opus 4.5在内部两小时工程考试中击败所有人类候选人，SWE-Bench得分创历史新高。深度解析Opus 4.5的基准测试表现、创造性问题解决能力、安全对齐突破及企业级应用场景。
产品体验GPT-5.2、Claude 4.5、Gemini 3 Pro实测对比：2025选购指南
2025年实测对比GPT-5.2、Claude Sonnet 4.5、Gemini 3 Pro、Grok 4.1四大AI模型，覆盖图像生成、深度研究、写作推理等核心场景，附各模型优劣势总结与低成本体验方案。
产品体验Claude Haiku 4.5前端实测：三分之一价格吊打GPT-5？
实测对比Claude Haiku 4.5、Sonnet 4.0、Gemini 2.5 Pro和GPT-5在SaaS落地页、3D魔方、天气动效三个前端场景的表现。Haiku 4.5仅三分之一价格，多数场景接近甚至超越旗舰模型。
科技前沿GPT 5.5 vs DeepSeek V4 实测对比：逻辑推理、前端生成、3D场景谁更强？
通过逻辑推理、前端页面生成、3D场景动画三项实战任务，深度对比GPT 5.5与DeepSeek V4的真实表现。涵盖生成速度、代码质量、视觉效果及性价比分析，帮你选出最适合的AI编程模型。